Multi‐wavelength multi‐direction laser light scattering for cell characterization using machine learning‐based methods
Notice bibliographique
Résumé
Cell identification and analysis play a crucial role in many biology- and health-related applications. The internal and surface structures of a cell are complex and many of the features are sub-micron in scale. Well-resolved images of these features cannot be obtained using optical microscopy. Previous studies have reported that the single-cell angular laser-light scattering patterns (ALSP) can be used for label-free cell identification and analysis. The ALSP can be affected by cell properties and the wavelength of the probing laser. Two cell properties, cell surface roughness and the number of mitochondria, are investigated in this study. The effects of probing laser wavelengths (blue, green, and red) and the directions of scattered light collection (forward, side, and backward) are studied to determine the optimum conditions for distinguishing the two cell properties. Machine learning (ML) analysis has been applied to ALSP obtained from numerical simulations. The results of ML analysis show that the backward scattering is the best direction for characterizing the surface roughness, while the forward scattering is the best direction for differentiating the number of mitochondria. The laser light having red or green wavelength is found to perform better than that having the blue wavelength in differentiating the surface roughness and the number of mitochondria. This study provides important insights into the effects of probing laser wavelength on gaining information about cells from their ALSP.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».